Το Εργαστήριο Δυναμικής Μηχανών του Τμήματος Μηχανολόγων Μηχανικών στο Α.Π.Θ. διεκπεραίωσε πειραματική μελέτη κατά την οποία πραγματοποιήθηκαν έλεγχοι ποιότητας σε έλαια συστημάτων μετάδοσης κίνησης, μέσω εξειδικευμένου μοντέλου βαθιάς μάθησης.
Γράφουν οι κ. Γ. Καρυοφύλλας, Ι. Κουτσουπάκης, Δ. Γιαγκόπουλος*
Η ποιότητα του λιπαντικού σε συστήματα μετάδοσης κίνησης αποτελεί κρίσιμο παράγοντα για την ομαλή λειτουργία, την απόδοση και τη διάρκεια ζωής των επιμέρους μηχανικών στοιχείων, όπως είναι τα έδρανα κύλισης και τα γρανάζια.
Σύμφωνα με τις προδιαγραφές των κατασκευαστών, τα λιπαντικά έλαια χαρακτηρίζονται από συγκεκριμένες φυσικοχημικές ιδιότητες, όπως είναι το ιξώδες, οι οποίες εξασφαλίζουν τη βέλτιστη λίπανση και τη μείωση των τριβών. Ωστόσο, κατά τη διάρκεια λειτουργίας ενός συστήματος, το λιπαντικό υπόκειται σε μεταβολές λόγω θερμικών και μηχανικών καταπονήσεων, καθώς και λόγω πιθανών εξωτερικών παρεμβάσεων, όπως είναι η εισαγωγή ξένων υγρών. Οι μεταβολές αυτές μπορούν να οδηγήσουν είτε σε αύξηση του ιξώδους (πιο παχύρευστο λάδι) είτε σε μείωσή του (πιο λεπτόρευστο λάδι), επηρεάζοντας άμεσα τη δυναμική απόκριση του συστήματος.
Στις βιομηχανικές εγκαταστάσεις, η αντικατάσταση των λιπαντικών πραγματοποιείται συνήθως με βάση προκαθορισμένα διαστήματα λειτουργίας, χωρίς να προηγείται ουσιαστικός έλεγχος της πραγματικής τους κατάστασης. Η προσέγγιση αυτή, αν και απλή στην εφαρμογή, δεν λαμβάνει υπόψη τις πραγματικές συνθήκες λειτουργίας του συστήματος, όπως είναι τα φορτία, οι θερμοκρασίες ή πιθανές επιμολύνσεις, που μπορούν να επιταχύνουν ή να επιβραδύνουν τη γήρανση του λιπαντικού. Παράλληλα, στην πλειονότητα των εφαρμογών δεν πραγματοποιούνται συστηματικές εργαστηριακές αναλύσεις, είτε λόγω κόστους είτε λόγω της ανάγκης διακοπής της λειτουργίας για τη λήψη δειγμάτων.
Έτσι, είναι σύνηθες είτε να αντικαθίστανται τα λιπαντικά πρόωρα, αυξάνοντας το λειτουργικό κόστος, είτε να παραμένουν σε χρήση πέραν του βέλτιστου χρόνου ζωής τους, γεγονός που μπορεί να οδηγήσει σε αυξημένες φθορές και μειωμένη αξιοπιστία του συστήματος. Η απουσία άμεσης πληροφόρησης για την ποιότητα του λαδιού καθιστά επιτακτική την ανάγκη για μεθόδους που επιτρέπουν την αξιολόγηση της κατάστασής του κατά τη διάρκεια της λειτουργίας.
Η αξιοποίηση μετρήσεων ταλαντώσεων σε πραγματικό χρόνο προσφέρει μια εναλλακτική και ιδιαίτερα αποδοτική λύση, επιτρέποντας τη συνεχή εκτίμηση της ποιότητας του λιπαντικού χωρίς την ανάγκη διακοπής λειτουργίας ή εργαστηριακών ελέγχων. Με τον τρόπο αυτό, η συντήρηση μπορεί να μεταβεί από μια προκαθορισμένη στρατηγική (time-based) σε μια στρατηγική που προσαρμόζεται ανάλογα με τις συνθήκες (condition-based), βελτιώνοντας σημαντικά την αποδοτικότητα και την αξιοπιστία των μηχανολογικών διατάξεων.
Για τη διερεύνηση της προσέγγισης αυτής, πραγματοποιήθηκε πειραματική μελέτη σε σύστημα μετάδοσης κίνησης (βλέπε εικόνα 1), στο οποίο εγκαταστάθηκαν αισθητήρες επιταχύνσεων για τη συνεχή καταγραφή της δυναμικής απόκρισης του κιβωτίου, καθώς και αισθητήρες θερμοκρασίας για την παρακολούθηση των θερμικών συνθηκών λειτουργίας.
Οι μετρήσεις πραγματοποιήθηκαν για τρεις διακριτές καταστάσεις λιπαντικού: i) υγιές λάδι σύμφωνα με τις προδιαγραφές του κατασκευαστή (State 1), ii) λάδι μειωμένου ιξώδους λόγω αραίωσης (State 2), και iii) λάδι αυξημένου ιξώδους λόγω γήρανσης (State 3).
Για κάθε κατάσταση, συλλέχθηκαν δεδομένα σε διαφορετικά επίπεδα θερμοκρασίας λειτουργίας, δημιουργώντας ένα πολυπαραμετρικό σύνολο δεδομένων που αποτυπώνει τη συμπεριφορά του συστήματος υπό ρεαλιστικές συνθήκες.
Πειραματική διάταξη συστήματος μετάδοσης κίνησης για τη διερεύνηση της ποιότητας λαδιού μέσω τεχνητής νοημοσύνης
Ανάλυση σημάτων
Η ανάλυση των μετρούμενων σημάτων έδειξε ότι η μεταβολή του ιξώδους του λιπαντικού επηρεάζει άμεσα το πλάτος και τη μορφή των ταλαντώσεων του συστήματος. Συγκεκριμένα, για το υγιές λάδι παρατηρείται μια χαρακτηριστική και επαναλαμβανόμενη συμπεριφορά του πλάτους ταλάντωσης ως προς τη θερμοκρασία.
Αντίθετα, σε περιπτώσεις λεπτόρρευστου ή παχύρρευστου λιπαντικού, εμφανίζονται αποκλίσεις από το πρότυπο αυτό, οι οποίες μπορούν να αξιοποιηθούν ως δείκτες υποβάθμισης ή αλλοίωσης της ποιότητας του λαδιού. Ωστόσο, οι διαφορές αυτές δεν είναι πάντοτε προφανείς, καθώς επηρεάζονται από πολλαπλούς παράγοντες και εμφανίζουν μη γραμμική συμπεριφορά.
Στην εικόνα 2 παρουσιάζονται ενδεικτικά τα φάσματα περιβάλλουσας (envelopes) της συχνότητας εμπλοκής των οδοντώσεων (Gear Mesh Frequency [GMF]) και των αρμονικών της (1x – 4x GMF), για διαφορετικές καταστάσεις λιπαντικού και σε σταθερή ταχύτητα λειτουργίας.
Παρατηρείται ότι το πλάτος των κορυφών στις χαρακτηριστικές συχνότητες διαφοροποιείται σημαντικά ανάλογα με το ιξώδες του λιπαντικού, με το λεπτόρρευστο λάδι να παρουσιάζει αυξημένα επίπεδα ταλάντωσης λόγω μειωμένης απόσβεσης, ενώ το παχύρρευστο εμφανίζει χαμηλότερες τιμές.
Το υγιές λιπαντικό ακολουθεί μια ενδιάμεση και πιο ομαλή συμπεριφορά. Παρότι οι τάσεις αυτές είναι εμφανείς, παρατηρείται επικάλυψη μεταξύ των καμπυλών, γεγονός που καθιστά δύσκολη τη σαφή διάκριση των καταστάσεων με συμβατικές μεθόδους ανάλυσης και ενισχύει την ανάγκη αξιοποίησης προηγμένων τεχνικών, όπως είναι τα νευρωνικά δίκτυα.
Εικόνα 2: Φάσματα περιβάλλουσας της συχνότητας εμπλοκής οδοντώσεων (GMF) και των αρμονικών της για διαφορετικές καταστάσεις λιπαντικού.
Μοντέλο ταξινόμησης
Για την αξιόπιστη εκμετάλλευση των παραπάνω δεδομένων, αναπτύχθηκε ένα μοντέλο ταξινόμησης βασισμένο σε Συνελικτικό Νευρωνικό Δίκτυο (CNN), το οποίο εκπαιδεύτηκε να αναγνωρίζει τα πρότυπα που αντιστοιχούν στις τρεις καταστάσεις λιπαντικού. Το σύνολο των δεδομένων επιταχύνσεων χρησιμοποιήθηκε ως είσοδος στο δίκτυο, επιτρέποντας την ταυτόχρονη αξιολόγηση της δυναμικής κατάστασης του συστήματος.
Η αρχιτεκτονική του CNN διαμορφώθηκε έτσι ώστε να εκμεταλλεύεται τη φασματική πληροφορία των σημάτων. Μέσω διαδοχικών επιπέδων συνελίξεων, το δίκτυο εξάγει αυτόματα χαρακτηριστικά που σχετίζονται με μεταβολές στο πλάτος ταλάντωσης και στη συχνοτική κατανομή της ενέργειας. Τα εξαγόμενα χαρακτηριστικά τροφοδοτούνται σε πλήρως συνδεδεμένα επίπεδα, τα οποία υλοποιούν την τελική ταξινόμηση σε μία από τις τρεις καταστάσεις (State 1, State 2, State 3).
Στην εικόνα 3 παρουσιάζεται ο πίνακας σύγχυσης (confusion matrix) του ταξινομητή για τις τρεις καταστάσεις του λιπαντικού (State 1-3), αποτυπώνοντας την απόδοσή του σε επίπεδο ταξινόμησης. Παρατηρείται ότι το μοντέλο επιτυγχάνει υψηλά ποσοστά ορθής αναγνώρισης για όλες τις κατηγορίες, με τις κύριες τιμές να συγκεντρώνονται στη διαγώνιο του πίνακα, γεγονός που υποδηλώνει αξιόπιστη διάκριση μεταξύ των διαφορετικών καταστάσεων.
Εικόνα 3: Confusion Matrix ταξινόμησης ποιότητας λιπαντικού (State 1-3).
Μεθοδολογία
Η προτεινόμενη μεθοδολογία παρουσιάζει σημαντικά πλεονεκτήματα για εφαρμογή σε βιομηχανικό περιβάλλον, καθώς επιτρέπει τη συνεχή και μη παρεμβατική αξιολόγηση της κατάστασης του λιπαντικού χωρίς την ανάγκη διακοπής της λειτουργίας ή δειγματοληψίας. Με τον τρόπο αυτό, καθίσταται δυνατή η παρακολούθηση κρίσιμων μηχανολογικών διατάξεων σε πραγματικό χρόνο, μειώνοντας τον κίνδυνο απρογραμμάτιστων βλαβών και αυξάνοντας τη διαθεσιμότητα του εξοπλισμού.
Επιπλέον, η δυνατότητα ενσωμάτωσης της μεθόδου σε υφιστάμενα συστήματα παρακολούθησης κατάστασης (condition monitoring) την καθιστά ιδιαίτερα ελκυστική για βιομηχανικές εφαρμογές, καθώς μπορεί να αξιοποιήσει ήδη εγκατεστημένους αισθητήρες και υποδομές. Παράλληλα, η προσέγγιση μπορεί να εφαρμοστεί και σε μη υφιστάμενες εγκαταστάσεις, μέσω της χρήσης οικονομικών (low-cost) συστημάτων διάγνωσης και απλών αισθητήρων επιτάχυνσης, καθιστώντας τη λύση προσιτή ακόμη και σε μικρότερης κλίμακας εφαρμογές.
*Οι κ. Γ. Καρυοφύλλας και Ι. Κουτσουπάκης είναι υποψήφιοι διδάκτορες και ο κ. Δ. Γιαγκόπουλος καθηγητής στο Τμήμα Μηχανολόγων Μηχανικών του Αριστοτέλειου Πανεπιστημίου Θεσσαλονίκης.
